Fitting Fuzzy Linear Regression Models

1. Fuzzy Linear Regression Models

Fuzzy linear regression merupakan sebuah teknik regresi yang menggabungkan model fuzzy dengan model regresi linier untuk menyelesaikan masalah yang tidak terlalu jelas atau ambigu.

2. Mengapa Menggunakan Fuzzy Linear Regression Models

Fuzzy linear regression digunakan untuk memprediksi nilai suatu variabel respons berdasarkan beberapa variabel prediktor yang memiliki nilai tidak pasti atau tidak jelas. Teknik ini dapat membantu dalam membuat model yang dapat mengakomodasi ketidakpastian dalam data yang dihasilkan.

Fuzzy linear regression dapat digunakan untuk beberapa tujuan seperti dalam mengelola risiko keuangan, memprediksi hasil pertandingan olahraga, atau dalam industri manufaktur untuk mengoptimalkan kualitas produk.

3. Struktur Fuzzy Linear Regression Models

Struktur dari fuzzy linear regression adalah sebagai berikut:

• Input Fuzzification: Tahap ini digunakan untuk mengubah nilai variabel numerik menjadi nilai fuzzy.
• Fuzzy Model: Tahap ini dilakukan untuk menentukan fungsi keanggotaan dan fungsi implikasi yang akan digunakan dalam model fuzzy.
• Rule Base: Tahap ini melibatkan penentuan aturan-aturan yang digunakan untuk menghubungkan input dan output dalam model fuzzy.
• Inference Engine: Tahap ini merupakan tahap inferensi atau pengambilan keputusan dari model fuzzy.
• Output Defuzzification: Tahap ini digunakan untuk mengubah nilai fuzzy dari output menjadi nilai numerik yang dapat dimengerti oleh pengguna.

#load fuzzyreg
require(fuzzyreg)

## Loading required package: fuzzyreg

#load data fuzzydat
data(fuzzydat)
fuzzydat$lee

##     x  y
## 1   1 21
## 2   2 20
## 3   3 30
## 4   4 26
## 5   5 31
## 6   6 37
## 7   7 35
## 8   8 40
## 9   9 49
## 10 10 45
## 11 11 53
## 12 12 35
## 13 13 52
## 14 14 60
## 15 15 62

#menggunakan metode function fuzzylm pada data
f = fuzzylm(y ~ x, data = fuzzydat$lee)
print(f)

## 
## Fuzzy linear model using the PLRLS method
## 
## Call:
## fuzzylm(formula = y ~ x, data = fuzzydat$lee)
## 
## Coefficients in form of non-symmetric triangular fuzzy numbers:
## 
##                center left.spread right.spread
## (Intercept) 17.761911   0.7619108    2.7380892
## x            2.746428   1.2464280    0.4202387

#membuat plot untuk menunjukkan tingkat keanggotaan prediksi model
plot(f, res = 20, col = "lightblue", main = "PLRLS")

#membuat summary dari hasil sebelumnya
summary(f)

## 
## Central tendency of the fuzzy regression model:
## 17.7619 + 2.7464 * x
## 
## Lower boundary of the model support interval:
## 17 + 1.5 * x
## 
## Upper boundary of the model support interval:
## 20.5 + 3.1666 * x
## 
## The total error of fit: 126248409
## The mean squared distance between response and prediction: 262.1